学习资料参考：从深度学习到自然语言处理

</br>

注意：本文已经更新，新版结合深度学习简介和发展历程，给出了更详尽的学习资料参考。新版链接：深度学习简介与学习资料参考

---

本文主要介绍一些与神经网络和自然语言处理相关的经典教程、资料，以便初学者能有个比较清晰的学习参考。

<a name='from-ml-to-dl'></a>

从机器学习到深度学习

深度学习脱胎于神经网络，而神经网络又是一种机器学习的经典算法。因此，如果希望从理论上更深刻地掌握深度学习，建议了解相关的机器学习知识。

<a name='ml'></a>

机器学习

Andrew Ng.（吴恩达）的机器学习教程

机器学习入门方面，Ng的教程应该算是比较经典的资料了。网上有两种版本的课程资料：

• Stanford CS229 Machine Learning 来自Stanford官网，其中materials部分有详细的课件可以学习参考。
• Coursera 机器学习 Ng教程的Coursera版本，如果习惯Coursera的学习模式的话，可以采用该教程学习。此外，网易公开课也有机器学习的课程，一共20集，均有中文翻译的字幕。

为了与后续的神经网络、深度学习等知识进一步衔接，建议在学习机器学习时，重点关注这些知识点：

机器学习基本概念（模型 -> 训练 -> 测试）
有监督学习与无监督学习
Linear Regression与Softmax Regression
目标函数的概念，如何训练一个模型
梯度下降等优化算法
过拟合与欠拟合的理解
模型的约束与正则（Regularization）

<a name='dl'></a>

深度学习

尽管深度学习现在已涌现出多样的模型，但其最基础的模型DNN(Deep Neural Network)则脱胎于神经网络中的MLP(Multi-Layer Perceptron)模型。在学习深度学习相关内容时，建议先粗略了解下神经网络的发展历史，所谓的三起三落，对于每次的兴起或是衰落，如果能清楚地知道其兴衰原因，就能对神经网络与深度学习有个宏观的了解，便于迅速把握其脉络。

首先推荐两个深度学习入门的博客：

• Deep learning学习笔记整理 这篇文章比较详细地介绍了神经网络到深度学习的背景知识，特别是从特征学习这个角度讲到了深度学习的重要意义。文中也涉及到不少常见的深度学习模型，这部分简要了解即可。
• 神经网络浅讲：从神经元到深度学习 这篇文章侧重于从神经网络历史发展的角度，简述了神经网络与深度学习相关的内容。

下面介绍几个比较经典的深度学习教程：

Neural Networks and Deep Learning (Michael Nielsen)

这个资料可以作为神经网络/深度学习的极佳入门资料。因为其中有不少动画演示，目前暂时只能在网页端查看，作者本人也表示并没有出pdf等版本的打算。该教程以图像领域经典的mnist手写数字识别任务为例，几乎是从零开始，介绍了神经网络与深度学习中很重要的一些基本概念。该教程的主要内容如下：

1) Using neural nets to recognize handwritten digits
2) How the backpropagation algorithm works
3) Improving the way neural networks learn
4) A visual proof that neural nets can compute any function
5) Why are deep neural networks hard to train?
6) Deep learning

个人觉得，该教程的主要亮点在于，不依赖任何第三方机器学习的库（仅使用了numpy），一步步搭建起深度学习网络模型，对BP（反向传播）算法做了比较详细的阐释和推导，并且利用case study描述了为什么神经网络可以从理论上去逼近任何一个函数（但并不是数学意义上的证明）。

由于该教程立足于入门，因此仅介绍了DNN，并没有介绍深度学习其他众多的模型，现在经常使用的ReLU激活函数、dropout技术等都没有介绍。实现上，也没有采用向量化实现（这会严重影响程序执行效率）。但这并不妨碍该教程成为一个经典的入门材料。学习时，建议按照该教程思路，能够自己将神经网络实现一遍。

误。。。前几天重新看了下这个教程，发现作者已经加入了关于ReLU, dropout, Theano等不少新的内容，力荐这个教程啊！以及，众网友们合作出了该教程的LaTeX中文版pdf，可以从这里下载。

Stanford UFLDL(Unsupervised Feature Learning and Deep Learning)教程

这个教程从名字上就强调了深度学习的重要意义——特征学习。该教程作者也是Andrew Ng，如果从Ng的机器学习教程入手，再学习该教程会有比较好的连贯性。教程在Stanford官网有个主页，如主页所述，教程有新版，旧版的英文版和中文版。新版相对于旧版，在知识架构了做了比较大的改动，但具体到详细的知识点，差别不是太大。

Deep Learning Tutorials

Deep Learning Tutorials教程是Bengio团队LISA lab维护的一个深度学习教程。该教程最大的特色是，使用基于theano工具，将教程中的各个模型均实现了一遍，因此很适合详细地去了解每个模型的细节。实际上，theano工具便是该团队开发的。学习该教程时，建议按照如下的顺序（教程主页已经有阅读顺序的建议）：

[重要] Machine Learning, Deep Learning and Theano basics
[重要] Logistic Regression -> MLP (Multi-Layer Perceptron) -> Deep CNN (Convolutional Networks)
Auto Encoders -> Stacked DAE (Denoising Autoencoders)
RBM (Restricted Boltzmann Machines) -> DBN (Deep Belief Networks)
Other Models

以上是几个比较经典的深度学习教程。如果希望系统地按照课程学习方式来学习相关知识，可以参考Deep Learning大牛Hinton老师的Coursera课程Neural Networks for Machine Learning。值得注意的是，如果仅是服务于个人的研究工作的话，里面涉及到的模型不必面面俱到，比如Restricted Boltzmann Machines现在使用的已经不是太广泛了。06年导致Deep Learning火起来的unsupervised layer-wise pre-training方法，也往往可以用良好的初值选取策略、ReLU和dropout等技术来替代（但并不完全等价）。

<a name='nlp'></a>

自然语言处理

应当说，Deep Learning最早是在图像和语音领域火起来的，但近些年的研究也逐渐发现，Deep Learning在NLP (Natural Languang Processing)领域也开始取得可喜的效果。实际上，图像、语音、文本，本来就是信息记载的不同载体，Deep Learning能综合运用在这些领域的不同任务上，不足为怪。这里引用下Deep Learning Tutorials中的一句话：

Deep Learning is about learning multiple levels of representation and abstraction that help to make sense of data such as images, sound, and text.

重要部分我已经加粗显示了。

实际上，在使用神经网络技术之前，NLP的研究经历了从规则到统计的过程。这段有趣的历史可以参考吴军博士的《数学之美》中的前7章内容。在学习Deep Learning应用于NLP之前，建议先了解下简单的统计语言模型的知识，包括语言模型、n-gram、VSM (Vector Space Model)和One-Hot等基本概念。关于统计语言模型，可以参考我们是这样理解语言的-统计语言模型这篇文章。

Deep Learning for NLP课程推荐：

Stanford University CS224d: Deep Learning for Natural Language Processing

CS224d是专门介绍Deep Learning for NLP的课程，从基本的语言模型、词的向量表示开始，介绍了深度学习的相关知识，以及在NLP中常见的模型。目前而言，在NLP中常见的模型包括CNN、Recursive NN和Recurrent NN模型，尤以卷积、循环网络居多。

<a name='we'></a>

词嵌入（Word Embeddings）

DL应用于NLP，最激动人心的成果当属词嵌入（Word Embeddings）概念的产生了。简单来说，就是用一个低维、稠密的向量来表示一个word，这种表示是通过神经网络语言模型学习而来的。当得到这些词向量之后，研究者发现它有着很好的特定，比如蕴含语义特征（man-woman $\approx$ king-queen），用这些词向量代替原来的特征，可以在各种任务中取得state of art的效果，等等。

此外，词向量的获取往往依赖于语言模型，因此便产生了神经网络语言模型的概念。从2001/2003年Bengio的工作开始，有不少基于神经网络的语言模型已被提出，也产生了不少开源工具来产生词向量，如word2vec与GloVe等。

详细知识点不再展开，推荐相关教程、资料如下：

• Deep Learning, NLP, and Representations 来自colah's blog，简要概述了DL应用于NLP的研究，重点介绍了Word Embeddings，网上可找到该文的中文版。
• Deep Learning in NLP （一）词向量和语言模型 总结了词向量和常见的几种神经网络语言模型
• 我们是这样理解语言的-3神经网络语言模型 与上一文章类似，可参考阅读。

<a name='comp'></a>

语义组合（Semantic Composition）

在获取词向量之后，我们得到了word的向量式表示，因此下一个很自然的问题是，如果利用这些word是表示，获取更高层次概念（如phrase, sentence, document）的表示，这其中涉及的概念即为语义组合（Semantic Composition）。

目前，常见的语义组合方法可以分为以下4类：

• 简单的加权组合 如直接拼接、平均或weighted sum等
• 卷积神经网络（CNN） 可参考Understanding Convolutional Neural Networks for NLP这篇文章学习了解
• 递归神经网络（Recursive NN） 借助语法树等树状结构，Richard Socher等人的研究为主
• 循环神经网络（Recurrent NN） 借助有记忆单元的神经元结点保存历史（或未来）的信息，常用的模型是LSTM (Long Short Term Memory)与GRU (Gated Recurrent Unit)。相比于CNN等模型，LSTM与GRU的学习可能稍微难一点，可以参考知乎-有哪些LSTM(Long Short Term Memory)和RNN(Recurrent)网络的教程。

上面的这些模型在CS224d课程中也均有比较详细的介绍。

总结来说，如果希望比较详细地了解神经网络、深度学习的细节，还是需要不少学习的。现在很多第三方的库（如Caffe、Theano、Keras、Lasagne、TensorFlow等）使得许多深度学习模型可以快速实现，但这些库往往屏蔽了诸多算法的细节（如BP、Gradient Descent、AdaDelta等），如果希望进一步做一些比较深入的工作，对相关模型的深入了解还是必不可少的。